斯坦福3.7万智能体研发获药企验证
智能体协作的新范式
对于开发者而言，长期以来普遍存在一种假设：一个工程师对应一个智能体，就像Claude Code和类似工具的模式。在VB Transform 2026大会上，斯坦福大学生物医学数据科学副教授邹杰(James Zou)提出，这一假设即将被打破：下一个前沿领域不是单个能力更强的智能体，而是数万个智能体的协同工作。
对于开发者和产品构建者来说，邹杰演讲中最关键的启示在于如何协调这些庞大的系统。他的团队研究为连接传统数据库与AI协调层以及设计支持数千智能体协作的环境提供了实用蓝图。
模拟组织架构：虚拟生物技术公司
邹杰的项目始于”虚拟实验室”，包含5到8个智能体，结构模仿其实体斯坦福实验室。该系统包括扮演首席研究员的AI教授和具有不同专业特长的AI学生，他们定期召开团队会议。
“我们还为智能体创建了斯坦福的复制品，一个智能体学校，智能体可以真正去学校进行监督式微调，以提高他们在特定领域的专业能力，”邹杰解释道。
虚拟实验室成功设计了针对最新COVID变体的新型纳米抗体蛋白。
“真正令我们兴奋的是，这些AI设计的纳米抗体蛋白在结合最新不同病毒方面的表现远优于之前人类设计的纳米抗体，”邹杰表示。
经过湿实验室验证后，团队扩大了雄心，从模拟单一研究团队转向构建庞大的企业结构。由此产生的系统被称为”虚拟生物技术”，由数万名专业化AI智能体组成，由首席科学官(CSO)智能体监督。它通过不同的部门运作，如靶点发现、分子设计和临床试验。
“与CSO智能体合作的是不同的部门，这些部门模仿人类生物技术或制药公司的部门，”邹杰解释道——一个专注于识别药物靶点，另一个专注于设计分子，第三个专注于安全和临床试验。他说，在部门内部，智能体进一步专业化。”在靶点发现部门下，我们将有一个智能体专门研究所有遗传学数据，另一个智能体研究所有基因组学和单细胞数据，依此类推。”
多智能体系统的优势
随着基础模型能力的提升，开发者面临一个核心架构难题：为什么将工作负载分散到数万个专业化智能体中，而不是将所有计算资源投入到单一的全知模型中？
邹杰的团队将多智能体团队与承担相同科学任务的单个智能体进行了直接比较。多智能体生态系统产生的摩擦和互动带来了更好的解决方案，这些方案更能抵抗累积错误。
“在这些科学虚拟实验室中，智能体实际上会进行辩论和争执。他们必须说服其他AI科学家接受自己的想法，所有这些都比让单个模型从头开始独立解决问题更能激发创造性和更强大的推理能力，”邹杰说。
协调的瓶颈
当扩展到数万个智能体时，协调成为主要瓶颈。系统需要一个统一的上下文层，使智能体能够整合来自各种工具、数据集和历史记录的知识。
许多企业团队尝试通过为现有数据库添加MCP(模型上下文协议)来解决数据集成问题。然而，传统系统对智能体并不友好。例如，将研究论文的PDF放入智能体的上下文窗口效率低下，标准文本模型难以解释复杂的图表和表格，导致幻觉。
“即使你为现有数据库和API添加了MCP，这并不能解决根本问题：接口和API不适合智能体，”邹杰指出。他补充说，现有数据库是为人类或AI前算法设计的。
为解决这一问题，邹杰团队创建了Paperclip平台。该平台依赖现代大型语言模型的核心优势：编写代码和导航文件系统的能力。Paperclip不是强迫智能体查询脆弱的、特定于数据库的API，而是将非结构化数据数字化，并将分散的数据库映射到统一的、AI原生的虚拟文件系统中。
这种结构使智能体能够使用标准文件系统操作访问来自数百万篇论文的知识。
“这基本上表明，如果我们使用Paperclip，可以获得更高的准确性，并且与没有这些AI原生科学基础设施的智能体相比，我们可以将时间和成本降低一个数量级以上，”邹杰表示。
实际应用验证
为测试这一架构的实际产出，虚拟生物技术公司启动了37,000个”临床试验智能体”来整合分散的试验数据。这些智能体识别出预测试验成功的单细胞特征——支持这些特征的药物靶点比没有这些特征的类似药物更有可能进入市场，成功率高约50%。
随后，系统自主设计了一种靶向CD276蛋白的抗体药物偶联物(ADC)，用于肺癌治疗。智能体仅依靠2025年1月之前发布的数据完成了这一设计。
几个月后，邹杰表示，制药公司默克(Merck)独立开发并验证了相同的治疗方案，该方案随后获得了FDA的突破性疗法认定。他将此描述为”第三方对虚拟生物技术智能体提供的治疗设计的外部验证。”
设计生态系统而非工作流程
随着多智能体系统的扩展，领导者必须重新思考如何管理这些数字劳动力。邹杰主张从设计严格的工作流程转向创建开放环境。工作流程规定智能体应采取的确切步骤，类似于管理初级员工。环境则为智能体协作解决开放式问题提供基础设施、护栏和激励机制。
“在工作流程中，我们试图告诉智能体做什么以及如何完成工作。但在环境中，我们提供基础设施、激励机制和护栏，同时保持开放，以激励智能体协作，”邹杰说。
大规模优化意味着构建环境而非微调单个模型。虽然单个智能体可以在智能学校通过强化学习或监督式微调得到改进，但大规模多智能体系统的成功取决于调整它们协作的参数。
“在多智能体方面，我们实际上不再微调和改变单个模型，而是在优化环境，”邹杰解释道。”环境本身是我们优化的对象，以改进智能体。”
关注微信号：智享开源 ，及时了解更新信息。
公众号：智享开源
还没有任何评论，你来说两句吧！